Implementación y evaluación de algoritmos de super-resolución para imágenes tomadas con nano satélites

• Main Author: Jara Pinochet, Rodolfo Alejandro
• Other Authors: Díaz Quezada, Marcos
• Language: es
• Published: Universidad de Chile 2019
• Subjects: Sistemas de Telecomunicación - Procesamiento de Datos; Satélites artificiales en telecomunicación; Satélites artificiales; Nanosatelites; SUCHAI; CubeSat
• Online Access: http://repositorio.uchile.cl/handle/2250/164017

Ingeniero Civil Eléctrico === Esta memoria se enmarca en el análisis de algoritmos de Súper Resolución (SR). Estos algoritmos recibirían imágenes tomadas por un futuro satélite Cubesat desde la órbita terrestre, obteniéndose una imagen con mayor resolución. El principal objetivo de esta memoria consiste en estudiar el coste en recursos, rendimiento y otras consideraciones de estos algoritmos. Así se podrá determinar cuál algoritmo de SR de los considerados pueda ser utilizado con ventajas en una plataforma Cubesat. Para lograr este objetivo se utiliza las experiencias de operación del primer Cubesat Chileno (SUCHAI 1). Usando esta información se ha podido determinarse cuáles serían los requerimientos que se deben cumplir en los futuros SUCHAI de manera de disponer de la capacidad de obtener imágenes en SR. Se realizaron evaluaciones de los algoritmos de SR implementándose una interfaz que permitió comparar visualmente, correr reiteradamente (cambiando sus parámetros) los algoritmos en una plataforma Matlab, de manera de evaluar sus prestaciones y obtener una estimación de la mejora en resolución resultante de la imagen final, el tiempo empleado en su ejecución y la memoria utiliza. Como complemento se utilizó un método llamado Mapas de Calor que permite construir comparaciones de un dataset (se dispusieron de 100 imágenes y se usó una métrica llamada Peak Signal to Noise Ratio -PSNR-) construido Ad hoc. Con los datos obtenidos se sugieren escenarios sobre los cuales utilizar los algoritmos a ser ejecutado a bordo del satélite (considerando sus características) y se postula que para obtener mejores prestaciones de SR lo práctico es bajar las imágenes y ejecutar en tierra (lo cual probablemente requerirá mucha más capacidad de cálculo). Se ven algunos pro y contra de la SR usando Deep Learning y se menciona como posible ampliación del campo de la SR a la combinación con Mapas Digitales de Elevación (DEM). === Este trabajo ha sido parcialmente financiado por Proyecto ANILLO ACT 1505